Luận văn thạc sĩ về thuật toán phát hiện quá trình nâng cao dựa trên khái niệm vùng trạng thái

• Tác giả: Lưu Văn Ba
• Người hướng dẫn: PGS.TS Hà Quang Thụy
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nâng Cao Thuật Toán Phát Hiện Quá Trình Dựa Trên Vùng Trạng Thái
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Hà Nội

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. GIỚI THIỆU VỀ KHAI PHÁ QUÁ TRÌNH
• 1.1. Tổng quan về khai phá quá trình
• 1.1.1. Khai phá quá trình là gì
• 1.1.2. Vị trí của khai phá quá trình trong KHDL và Big data
• 1.1.3. Mối liên hệ với khai phá dữ liệu
• 1.2. Các bài toán trong khai phá quá trình
• 1.2.1. Phát hiện quá trình
• 1.2.2. Kiểm tra độ phù hợp
• 1.2.3. Tăng cường mô hình
• 1.3. Mô hình hóa quá trình
• 1.4. Nhật ký sự kiện (Event Logs)
• 1.5. Các loại mô hình hóa quá trình
• 2. PHÁT HIỆN QUÁ TRÌNH VÀ NHỮNG THÁCH THỨC
• 2.1. Bài toán phát hiện quá trình
• 2.1.1. Phát biểu bài toán
• 2.1.2. Giới thiệu thuật toán Alpha
• 2.1.3. Chất lượng mô hình kết quả
• 2.1.4. Các thách thức trong phát hiện quá trình
• 3. PHÁT HIỆN QUÁ TRÌNH DỰA TRÊN VÙNG TRẠNG THÁI
• 3.1. Giới thiệu phương pháp
• 3.2. Các bước thực hiện
• 3.2.1. Tạo hệ thống chuyển từ nhật ký sự kiện
• 3.2.2. Biểu diễn trạng thái
• 3.2.3. Xây dựng hệ thống chuyển
• 3.2.4. Chuyển đổi từ hệ thống chuyển sang lưới Petri
• 3.2.5. Định nghĩa vùng
• 3.2.6. Lựa chọn vùng
• 3.2.7. Xây dựng lưới Petri sử dụng vùng
• 3.2.8. Nhận xét đánh giá
• 3.2.9. Ưu nhược điểm của phương pháp
• 3.2.10. Giới thiệu một số đề xuất mô hình cải tiến
• 4. THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Mô tả thực nghiệm
• 4.2. Dữ liệu thực nghiệm
• 4.3. Các bước thực hiện
• 4.4. Tiến hành thực nghiệm
• 4.5. Đánh giá và kết luận
• KẾT LUẬN VÀ ĐỊNH HƯỚNG NGHIÊN CỨU TIẾP
• TÀI LIỆU THAM KHẢO

I. Giới thiệu về khai phá quá trình

Khai phá quá trình (process mining) là một lĩnh vực nghiên cứu mới, tập trung vào việc phát hiện, phân tích và cải tiến các quá trình dựa trên thông tin từ dữ liệu sự kiện. Theo P. van der Aalst, khai phá quá trình đóng vai trò cầu nối giữa quản lý quá trình kinh doanh và các kỹ thuật phân tích dữ liệu. Điều này cho phép các tổ chức hiểu rõ hơn về cách thức hoạt động thực tế của họ, từ đó cải thiện hiệu suất và giảm thiểu rủi ro. Khai phá quá trình không chỉ giúp phát hiện các vấn đề trong quy trình mà còn cung cấp thông tin chi tiết về cách thức các hoạt động diễn ra, từ đó hỗ trợ cho việc ra quyết định. Việc áp dụng các kỹ thuật khai phá quá trình có thể giúp các tổ chức tối ưu hóa quy trình làm việc, nâng cao hiệu quả và giảm thiểu chi phí.

1.1. Khai phá quá trình là gì

Khai phá quá trình là một chuyên ngành nghiên cứu mới, tập trung vào việc phát hiện và phân tích các quy trình dựa trên dữ liệu sự kiện. Điều này cho phép các tổ chức hiểu rõ hơn về cách thức hoạt động thực tế của họ. Khai phá quá trình giúp phát hiện các vấn đề trong quy trình và cung cấp thông tin chi tiết về cách thức các hoạt động diễn ra. Việc áp dụng các kỹ thuật khai phá quá trình có thể giúp các tổ chức tối ưu hóa quy trình làm việc, nâng cao hiệu quả và giảm thiểu chi phí.

1.2. Mối liên hệ với khai phá dữ liệu

Khai phá quá trình và khai phá dữ liệu có mối liên hệ mật thiết. Trong khi khai phá dữ liệu tập trung vào dữ liệu, khai phá quá trình lại chú trọng vào quy trình. Khai phá quá trình giúp trả lời các câu hỏi như: Quá trình nào con người thực sự làm theo? Đâu là những trở ngại trong quy trình? Những tác nhân nào đang gây trở ngại? Việc kết hợp giữa hai lĩnh vực này sẽ giúp các tổ chức có cái nhìn toàn diện hơn về hoạt động của mình.

II. Phát hiện quá trình và những thách thức

Phát hiện quá trình là một trong ba bài toán chính của khai phá quá trình, với mục tiêu xây dựng mô hình chỉ từ nhật ký sự kiện mà không cần thông tin tiền nghiệm. Thuật toán Alpha là một ví dụ điển hình cho phương pháp này. Tuy nhiên, việc phát hiện quá trình cũng gặp phải nhiều thách thức, như chất lượng mô hình kết quả và khả năng xử lý các dữ liệu phức tạp. Các thách thức này đòi hỏi các nhà nghiên cứu phải phát triển các phương pháp mới để cải thiện độ chính xác và hiệu quả của các mô hình phát hiện quá trình.

2.1. Bài toán phát hiện quá trình

Bài toán phát hiện quá trình nhằm xây dựng mô hình từ nhật ký sự kiện mà không cần thông tin bổ sung. Thuật toán Alpha là một trong những thuật toán nổi bật trong lĩnh vực này. Mô hình được xây dựng có thể trả lời các câu hỏi về thứ tự hoạt động, sự tương tác giữa các nhân viên và các hoạt động lặp lại. Tuy nhiên, việc phát hiện quá trình cũng gặp phải nhiều thách thức, như chất lượng mô hình và khả năng xử lý dữ liệu phức tạp.

2.2. Các thách thức trong phát hiện quá trình

Các thách thức trong phát hiện quá trình bao gồm việc đảm bảo chất lượng mô hình kết quả và khả năng xử lý các dữ liệu phức tạp. Chất lượng mô hình có thể bị ảnh hưởng bởi độ chính xác của dữ liệu đầu vào và các yếu tố bên ngoài khác. Ngoài ra, việc phát hiện các quy trình phức tạp đòi hỏi các thuật toán phải có khả năng xử lý và phân tích dữ liệu lớn một cách hiệu quả.

III. Phát hiện quá trình dựa trên vùng trạng thái

Phương pháp phát hiện quá trình dựa trên vùng trạng thái là một trong những phương pháp tiên tiến trong khai phá quá trình. Phương pháp này cho phép xây dựng mô hình từ nhật ký sự kiện bằng cách sử dụng các khái niệm về vùng trạng thái. Các bước thực hiện bao gồm tạo hệ thống chuyển từ nhật ký sự kiện, biểu diễn trạng thái và xây dựng lưới Petri. Phương pháp này không chỉ giúp cải thiện độ chính xác của mô hình mà còn giảm thiểu thời gian xử lý dữ liệu.

3.1. Giới thiệu phương pháp

Phương pháp phát hiện quá trình dựa trên vùng trạng thái cho phép xây dựng mô hình từ nhật ký sự kiện bằng cách sử dụng các khái niệm về vùng trạng thái. Phương pháp này giúp cải thiện độ chính xác của mô hình và giảm thiểu thời gian xử lý dữ liệu. Các bước thực hiện bao gồm tạo hệ thống chuyển từ nhật ký sự kiện, biểu diễn trạng thái và xây dựng lưới Petri.

3.2. Ưu nhược điểm của phương pháp

Phương pháp phát hiện quá trình dựa trên vùng trạng thái có nhiều ưu điểm, như khả năng cải thiện độ chính xác của mô hình và giảm thiểu thời gian xử lý dữ liệu. Tuy nhiên, phương pháp này cũng có nhược điểm, như yêu cầu về dữ liệu đầu vào phải chính xác và đầy đủ. Nếu dữ liệu không chính xác, mô hình xây dựng sẽ không phản ánh đúng thực tế.

IV. Thực nghiệm và đánh giá

Thực nghiệm là bước quan trọng để đánh giá hiệu quả của phương pháp phát hiện quá trình dựa trên vùng trạng thái. Các bước thực hiện bao gồm thu thập dữ liệu, tiến hành thực nghiệm và đánh giá kết quả. Kết quả thực nghiệm cho thấy phương pháp này có khả năng phát hiện các quy trình phức tạp một cách hiệu quả, đồng thời cung cấp thông tin chi tiết về cách thức hoạt động của tổ chức.

4.1. Mô tả thực nghiệm

Thực nghiệm được thực hiện với các bộ dữ liệu khác nhau để đánh giá hiệu quả của phương pháp phát hiện quá trình dựa trên vùng trạng thái. Các bước thực hiện bao gồm thu thập dữ liệu, tiến hành thực nghiệm và đánh giá kết quả. Kết quả thực nghiệm cho thấy phương pháp này có khả năng phát hiện các quy trình phức tạp một cách hiệu quả.

4.2. Đánh giá và kết luận

Kết quả thực nghiệm cho thấy phương pháp phát hiện quá trình dựa trên vùng trạng thái có khả năng phát hiện các quy trình phức tạp một cách hiệu quả. Phương pháp này không chỉ giúp cải thiện độ chính xác của mô hình mà còn giảm thiểu thời gian xử lý dữ liệu. Tuy nhiên, cần tiếp tục nghiên cứu để khắc phục những nhược điểm còn tồn tại.

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của khoa học công nghệ và công nghệ thông tin, lượng dữ liệu sinh ra từ các hệ thống thông tin, thiết bị công nghệ, Internet ngày càng tăng nhanh về số lượng và đa dạng về nguồn gốc. Theo ước tính, dữ liệu sự kiện (event logs) được ghi lại trong các hệ thống thông tin doanh nghiệp ngày càng phong phú, cung cấp thông tin chi tiết, khách quan về quá trình hoạt động thực tế. Tuy nhiên, các kỹ thuật khai phá dữ liệu truyền thống chủ yếu tập trung vào phân tích dữ liệu tĩnh mà chưa khai thác triệt để yếu tố quá trình thay đổi dữ liệu theo thời gian.

Khai phá quá trình (process mining) ra đời nhằm giải quyết vấn đề này, trở thành lĩnh vực nghiên cứu quan trọng trong khoa học dữ liệu, đặc biệt trong quản lý quá trình kinh doanh và phân tích dữ liệu lớn (Big Data). Mục tiêu chính của khai phá quá trình là phát hiện, phân tích và cải tiến các mô hình quá trình dựa trên nhật ký sự kiện mà không cần thông tin tiền nghiệm. Luận văn tập trung nghiên cứu thuật toán phát hiện quá trình nâng cao dựa trên khái niệm vùng trạng thái, nhằm khắc phục những hạn chế của các thuật toán kinh điển như thuật toán Alpha.

Phạm vi nghiên cứu được thực hiện tại Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội trong năm 2015, sử dụng dữ liệu thực nghiệm từ các bộ nhật ký sự kiện tiêu chuẩn và dữ liệu thực tế từ trung tâm dữ liệu 3TU Datacentrum. Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu quả khai phá quá trình, hỗ trợ các tổ chức, doanh nghiệp xây dựng mô hình quá trình chính xác, khách quan, từ đó cải thiện hiệu suất hoạt động và ra quyết định.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình nghiên cứu sau:

• Khai phá quá trình (Process Mining): Là chuyên ngành nghiên cứu về phát hiện, phân tích và cải tiến quá trình dựa trên dữ liệu sự kiện. Khai phá quá trình là cầu nối giữa quản lý quá trình kinh doanh truyền thống và các kỹ thuật phân tích dữ liệu hiện đại như khai phá dữ liệu và học máy.

• Lưới Petri (Petri Nets): Là ngôn ngữ mô hình hóa quá trình mạnh mẽ, cho phép biểu diễn các thành phần đồng thời trong quá trình. Lưới Petri bao gồm các vị trí (places), bước chuyển (transitions) và các thẻ (tokens) biểu diễn trạng thái hệ thống. Các đặc tính như tính bị chặn, tính an toàn, deadlock và tính sống sót được sử dụng để phân tích mô hình.

• Hệ thống chuyển (Transition Systems): Là mô hình trạng thái cơ bản gồm các trạng thái và các bước chuyển nối giữa chúng. Hệ thống chuyển được sử dụng để biểu diễn không gian trạng thái của quá trình dựa trên nhật ký sự kiện. Tuy nhiên, mô hình này gặp vấn đề "bùng nổ trạng thái" khi số lượng hoạt động song song tăng lên.

• Lý thuyết vùng (Theory of Regions): Áp dụng để chuyển đổi hệ thống chuyển sang lưới Petri bằng cách xác định các vùng trạng thái, từ đó xây dựng các vị trí trong lưới Petri tương ứng. Phương pháp này giúp phát hiện các mẫu quá trình phức tạp và cân bằng giữa chi tiết và khái quát hóa mô hình.

Các khái niệm chính bao gồm: nhật ký sự kiện (event logs), phát hiện quá trình (process discovery), kiểm tra độ phù hợp (conformance checking), tăng cường mô hình (process enhancement), vùng trạng thái (regions), hàm biểu diễn trạng thái (state abstraction functions).

Phương pháp nghiên cứu

• Nguồn dữ liệu: Sử dụng các bộ nhật ký sự kiện chuẩn từ tài liệu chuyên ngành và dữ liệu thực tế từ trung tâm dữ liệu 3TU Datacentrum. Dữ liệu bao gồm các vết (traces) thể hiện trình tự các hoạt động trong quá trình.

• Phương pháp phân tích: So sánh phương pháp phát hiện quá trình dựa trên vùng trạng thái với thuật toán Alpha truyền thống. Các bước thực hiện gồm:

  1. Sử dụng plugin “Mine for a Petri Net using Alpha-algorithm” trong công cụ ProM 6.1 để sinh mô hình quá trình từ nhật ký sự kiện theo thuật toán Alpha.

  2. Sử dụng plugin “Mine Transition System” để tạo hệ thống chuyển từ nhật ký sự kiện với các tham số biểu diễn trạng thái khác nhau (dãy, tập hợp, tập bội).

  3. Dùng plugin “Convert to Petri Net using Regions” để chuyển hệ thống chuyển thành mô hình lưới Petri dựa trên vùng trạng thái.

  4. So sánh và đánh giá các mô hình thu được dựa trên các tiêu chí chất lượng mô hình.

• Timeline nghiên cứu: Nghiên cứu được thực hiện trong năm 2015, bao gồm giai đoạn thu thập dữ liệu, xây dựng mô hình, thực nghiệm và đánh giá kết quả.

• Cỡ mẫu: Sử dụng nhiều bộ dữ liệu với số lượng vết và hoạt động khác nhau, trong đó có ví dụ L6 với 11 vết và 7 hoạt động, cùng các bộ dữ liệu thực tế khác.

• Lý do lựa chọn phương pháp: Phương pháp vùng trạng thái cho phép phát hiện các mẫu quá trình phức tạp, khắc phục hạn chế của thuật toán Alpha về chu trình ngắn, phụ thuộc không địa phương và dư thừa vị trí trong mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Phương pháp vùng trạng thái cho mô hình chi tiết và chính xác hơn: Qua thực nghiệm với bộ dữ liệu L6, mô hình lưới Petri được xây dựng dựa trên vùng trạng thái thể hiện rõ các trạng thái và bước chuyển, đồng thời phát hiện được các đồng thời và chu trình ngắn mà thuật toán Alpha không xử lý tốt. Ví dụ, mô hình vùng trạng thái phát hiện được 6 vùng nhỏ nhất tương ứng với 6 vị trí trong lưới Petri, giúp giảm kích thước mô hình so với hệ thống chuyển ban đầu.

2. Khả năng khái quát hóa mô hình linh hoạt: Việc lựa chọn hàm biểu diễn trạng thái (sequence abstraction, set abstraction, multiset abstraction, partial abstraction) giúp cân bằng giữa chi tiết và khái quát hóa, tránh hiện tượng overfitting hoặc underfitting. Ví dụ, sử dụng k-tail abstraction giúp giới hạn chiều ngang của mức trừu tượng, giảm số lượng trạng thái quá chi tiết.

3. Hiệu quả so với thuật toán Alpha: Thuật toán Alpha gặp hạn chế về phát hiện chu trình ngắn, phụ thuộc không địa phương và tạo ra nhiều vị trí dư thừa trong lưới Petri. Phương pháp vùng trạng thái khắc phục được các hạn chế này, đồng thời cung cấp mô hình có tính phù hợp (fitness) và tính chính xác (precision) cao hơn, theo đánh giá dựa trên các tiêu chí chất lượng mô hình.

4. Khả năng xử lý dữ liệu lớn và phức tạp: Các đề xuất cải tiến như kỹ thuật Folding để giảm kích thước hệ thống chuyển và phương pháp chia để trị (divide-and-conquer) giúp phân mảnh nhật ký sự kiện và mô hình quá trình, tăng tốc độ xử lý và khả năng mở rộng cho các bộ dữ liệu lớn.

Thảo luận kết quả

Kết quả thực nghiệm cho thấy phương pháp phát hiện quá trình dựa trên vùng trạng thái có ưu thế vượt trội trong việc phát hiện các mẫu quá trình phức tạp, đặc biệt là các chu trình ngắn và các hoạt động đồng thời. Việc sử dụng lý thuyết vùng giúp chuyển đổi hệ thống chuyển sang lưới Petri một cách hiệu quả, giảm thiểu hiện tượng bùng nổ trạng thái so với mô hình hệ thống chuyển thuần túy.

So với thuật toán Alpha, phương pháp vùng trạng thái không chỉ cải thiện tính chính xác mà còn giúp mô hình hóa quá trình một cách trực quan và dễ hiểu hơn, hỗ trợ tốt cho việc phân tích và cải tiến quá trình kinh doanh. Tuy nhiên, phương pháp này cũng có nhược điểm về độ phức tạp tính toán và nhạy cảm với nhiễu trong dữ liệu, đòi hỏi các kỹ thuật bổ trợ như Folding và phân mảnh dữ liệu để nâng cao hiệu suất.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh số lượng trạng thái, bước chuyển, và các chỉ số chất lượng mô hình (fitness, precision) giữa hai phương pháp. Bảng tổng hợp các vùng trạng thái và vị trí tương ứng trong lưới Petri cũng giúp minh họa rõ ràng cấu trúc mô hình thu được.

Đề xuất và khuyến nghị

1. Áp dụng kỹ thuật Folding để giảm kích thước mô hình: Động từ hành động: triển khai Folding; Target metric: giảm số lượng trạng thái và bước chuyển trong hệ thống chuyển; Timeline: trong vòng 3-6 tháng; Chủ thể thực hiện: nhóm phát triển phần mềm khai phá quá trình.

2. Sử dụng phương pháp chia để trị cho dữ liệu lớn: Động từ hành động: phân mảnh nhật ký sự kiện và mô hình quá trình; Target metric: tăng tốc độ xử lý và khả năng mở rộng; Timeline: 6-12 tháng; Chủ thể thực hiện: nhà nghiên cứu và kỹ sư dữ liệu.

3. Tùy chỉnh hàm biểu diễn trạng thái phù hợp với đặc điểm dữ liệu: Động từ hành động: lựa chọn và điều chỉnh hàm biểu diễn trạng thái (sequence, set, multiset, k-tail); Target metric: cân bằng giữa độ chi tiết và khái quát hóa mô hình; Timeline: liên tục trong quá trình phân tích; Chủ thể thực hiện: nhà phân tích dữ liệu và chuyên gia khai phá quá trình.

4. Phát triển công cụ hỗ trợ trực quan hóa mô hình: Động từ hành động: xây dựng giao diện trực quan cho lưới Petri và hệ thống chuyển; Target metric: nâng cao khả năng hiểu và phân tích mô hình; Timeline: 6 tháng; Chủ thể thực hiện: nhóm phát triển phần mềm.

5. Nâng cao khả năng xử lý nhiễu và dữ liệu không đầy đủ: Động từ hành động: tích hợp các kỹ thuật lọc và làm sạch dữ liệu; Target metric: cải thiện độ chính xác mô hình; Timeline: 6-9 tháng; Chủ thể thực hiện: nhà nghiên cứu và kỹ sư dữ liệu.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin, Hệ thống Thông tin: Luận văn cung cấp kiến thức chuyên sâu về khai phá quá trình, lý thuyết vùng và các thuật toán phát hiện quá trình, hỗ trợ nghiên cứu và học tập nâng cao.

2. Chuyên gia phân tích dữ liệu và quản lý quy trình kinh doanh: Các phương pháp và kết quả nghiên cứu giúp cải thiện việc xây dựng và tối ưu hóa mô hình quá trình thực tế, nâng cao hiệu quả vận hành doanh nghiệp.

3. Nhà phát triển phần mềm và công cụ khai phá quá trình: Thông tin chi tiết về thuật toán và kỹ thuật cải tiến hỗ trợ phát triển các công cụ khai phá quá trình hiệu quả, có khả năng xử lý dữ liệu lớn và phức tạp.

4. Các tổ chức, doanh nghiệp sử dụng hệ thống thông tin quản lý: Luận văn giúp hiểu rõ vai trò của khai phá quá trình trong việc phân tích dữ liệu sự kiện, từ đó áp dụng để nâng cao năng suất và chất lượng dịch vụ.

Câu hỏi thường gặp

1. Phát hiện quá trình là gì và tại sao quan trọng?
   Phát hiện quá trình là kỹ thuật xây dựng mô hình quá trình từ nhật ký sự kiện mà không cần thông tin tiền nghiệm. Nó giúp tổ chức hiểu rõ cách thức hoạt động thực tế, phát hiện điểm nghẽn và cải tiến quy trình, từ đó nâng cao hiệu quả vận hành.

2. Phương pháp vùng trạng thái khác gì so với thuật toán Alpha?
   Phương pháp vùng trạng thái sử dụng lý thuyết vùng để chuyển hệ thống chuyển thành lưới Petri, giúp phát hiện các mẫu phức tạp như chu trình ngắn và đồng thời, trong khi thuật toán Alpha có hạn chế về các trường hợp này.

3. Làm thế nào để lựa chọn hàm biểu diễn trạng thái phù hợp?
   Lựa chọn hàm biểu diễn trạng thái phụ thuộc vào đặc điểm dữ liệu và mục tiêu phân tích. Ví dụ, k-tail abstraction giúp giới hạn độ chi tiết, tránh mô hình quá phức tạp hoặc quá khái quát, cân bằng giữa overfitting và underfitting.

4. Phương pháp này có thể áp dụng cho dữ liệu lớn không?
   Có thể, nhưng cần kết hợp các kỹ thuật như Folding để giảm kích thước mô hình và chia để trị để phân mảnh dữ liệu, giúp tăng hiệu suất xử lý và khả năng mở rộng.

5. Làm sao để đánh giá chất lượng mô hình phát hiện được?
   Chất lượng mô hình được đánh giá qua bốn tiêu chí chính: tính phù hợp (fitness), tính chính xác (precision), tính khái quát (generalization) và tính đơn giản (simplicity). Mô hình tốt cần cân bằng các tiêu chí này để phản ánh đúng thực tế và dễ hiểu.

Kết luận

• Luận văn đã nghiên cứu và phát triển phương pháp phát hiện quá trình nâng cao dựa trên khái niệm vùng trạng thái, khắc phục hạn chế của các thuật toán truyền thống như Alpha.
• Phương pháp sử dụng lý thuyết vùng để chuyển đổi hệ thống chuyển thành lưới Petri, giúp phát hiện các mẫu quá trình phức tạp, bao gồm đồng thời và chu trình ngắn.
• Thực nghiệm với dữ liệu chuẩn và thực tế cho thấy phương pháp vùng trạng thái cho mô hình chính xác, chi tiết và có khả năng khái quát hóa linh hoạt.
• Các đề xuất cải tiến như Folding và chia để trị giúp nâng cao hiệu suất và khả năng xử lý dữ liệu lớn.
• Định hướng nghiên cứu tiếp theo tập trung vào phát triển công cụ hỗ trợ trực quan hóa, xử lý nhiễu và tối ưu hóa hàm biểu diễn trạng thái để ứng dụng rộng rãi trong thực tế.

Hành động tiếp theo: Áp dụng phương pháp vùng trạng thái trong các dự án khai phá quá trình thực tế, đồng thời phát triển các công cụ hỗ trợ để nâng cao hiệu quả và tính ứng dụng của nghiên cứu.